文件大小：1.25M
本文提出了一种基于ENSACO-LSTM的数据驱动算法,用于预测质子交换膜燃料电池(PEMFCs)的功率退化趋势。首先,使用SHAP值方法筛选贡献度高的外特性参数作为数据驱动方法的输入。接着,提出了一种新型群体优化算法——强化搜索蚁群优化算法(ENSACO)。该算法基于强化因子改进了蚁群优化(ACO)算法,以避免早熟并加快收敛速度。设置了对比实验,比较PSO、ACO和ENSACO的性能差异。最后,提出了一种基于ENSACO-LSTM的数据驱动方法来预测PEMFC的功率退化趋势,并使用实际老化数据对该方法进行了验证。结果表明,在有限的迭代次数内,ENSACO的优化能力显著优于PSO和ACO。此外,ENSACO-LSTM方法的预测精度也大幅提升,相比LSTM、PSO-LSTM和ACO-LSTM,平均提升约50.58%。
